Het converteren van een PDF naar CSV is mogelijk, maar hoe goed het werkt hangt vrijwel volledig af van de vraag of de gegevens in de PDF in een goede tabel zijn gestructureerd. Als dat zo is, zijn de resultaten uitstekend. Wanneer de gegevens vrije tekst of een gescand formulier zijn, vereist het proces een paar extra stappen.
Wanneer conversie van PDF naar CSV goed werkt
CSV-conversie werkt het beste wanneer de PDF een duidelijk gedefinieerde tabel bevat: rijen en kolommen met consistente gegevens, zoals een factuuroverzicht, een financieel overzicht, een inventarislijst of een geëxporteerd rapport. Tools die PDF naar Excel converteren, kunnen de spreadsheet doorgaans daarna als CSV exporteren, waardoor u een schoon, importeerbaar bestand krijgt.
Native digitale PDFs – bestanden die rechtstreeks vanuit software zijn gemaakt in plaats van gescand – converteren nauwkeuriger dan gescande documenten, omdat de tabelstructuur is ingebed in de gegevens van het bestand en niet is afgeleid van een afbeelding.
Een PDF-tabel converteren naar CSV
De meest betrouwbare aanpak in twee stappen is om de PDF eerst naar Excel te converteren en vervolgens de spreadsheet op te slaan als CSV. Upload uw PDF naar de tool PDF naar Excel van WukongPDF, download het resulterende .xlsx-bestand, open het in Excel of Google Spreadsheets en exporteer of download als CSV.
Ga in Excel naar Bestand > Opslaan als en kies CSV (door komma's gescheiden) in de indelingslijst. Ga in Google Spreadsheets naar Bestand > Downloaden > Door komma's gescheiden waarden (.csv). Beide produceren een standaard CSV-bestand dat kan worden geïmporteerd in elke database, analysetool of applicatie die CSV-invoer accepteert.
Direct PDF naar CSV-tools
Sommige tools bieden directe conversie van PDF naar CSV zonder de tussenliggende Excel-stap. Tabula is een bekende open-sourceoptie die speciaal is ontworpen voor het extraheren van tabellen uit PDFs naar CSV- of TSV-indeling. Het is vooral populair in datajournalistiek en onderzoeksworkflows waar PDF-rapporten moeten worden ingevoerd in analysepijplijnen.
Met Tabula kunt u een selectievak tekenen rond de specifieke tabel die u wilt extraheren, wat handig is als een PDF-pagina gemengde inhoud bevat: een tabel naast diagrammen, voetnoten of hoofdtekst. De selectiebenadering vermijdt het binnenhalen van omringende inhoud die de CSV-uitvoer onoverzichtelijk zou maken.
Gescande PDFs converteren naar CSV
Gescande PDFs vereisen OCR voordat de tabelgegevens kunnen worden geëxtraheerd. Zonder dit ziet de tool een afbeelding, geen tabel, en kan hij geen rijen en kolommen identificeren. Voer de gescande PDF eerst door een OCR PDF-tool om een tekstlaagversie te maken en voer vervolgens de OCR-uitvoer in een PDF-naar-Excel- of PDF-naar-CSV-converter.
De nauwkeurigheid van de OCR op tabellen is afhankelijk van de scankwaliteit en de complexiteit van de tabel. Eenvoudige tabellen met duidelijke randen en consistente spatiëring worden netjes omgezet. Dichte tabellen met samengevoegde cellen, gekleurde achtergronden of inconsistente uitlijning moeten na de conversie mogelijk handmatig worden opgeschoond in de spreadsheet.
De CSV opschonen na conversie
Zelfs met een goede conversie moeten CSV-bestanden van PDFs meestal wat worden opgeschoond voordat ze echt bruikbaar zijn. Veelvoorkomende problemen zijn onder meer extra lege rijen waarin pagina-einden voorkomen, koprijen die op elke PDF-pagina worden herhaald en nu meerdere keren verschijnen, getallen die als tekenreeksen zijn ingevoerd en valutasymbolen of komma's in numerieke velden die berekeningen verbreken.
Door het CSV eerst in een spreadsheet-app te openen en een snelle beoordeling uit te voeren voordat u het in een database of analysetool importeert, bespaart u tijd vergeleken met het achteraf debuggen van importfouten.